快速幂原理及模板 附练手题:P1226 【模板】快速幂||取余运算

  • 问题分析:如果使用常规方法,计算 a^{n} 的时间复杂度为O(n),数据量大的时候耗时久。但使用快速幂的话,可以将时间复杂度降低到O(logn).
  • 快速幂原理:基于二进制,将正整数n二进制拆分成 n = b_{n-1}b_{n-2}...b_{0} , b_{i}\in \left \{ 0, 1 \right \},              即n = 2^{n-1}b_{n-1} + 2^{n-2}b_{n-2} +...+2^{0}b_{0}                                                                              \Rightarrow a^{n}=a^{2^{n-1}b_{n-1}+2^{n-2}b_{n-2}+...+2^{0}b_{0}}                                                                                          \Rightarrow a^{2^{n-1}b_{n-1}}*a^{2^{n-2}b_{n-2}}*...*a^{2^{0}b_{0}}
  • 打个比方:                                                                                                                           a^{11}=a^{2^{0}+2^{1}+2^{3}}   \Leftrightarrow  11=2^{3} * 1+2^{2}*0+2^{1}*1+2^{0}*1  (11的二进制是1011)           因此,我们将a^{11}转化为a^{2^{0}}*a^{2^{1}}*a^{2^{3}}
  • 代码求解:我们可以利用二进制特性进行求解,从右向左对a的二进制的每一位进行处理,该位为1就进行计算,为0则忽略,将每一位处理得到的结果相乘就得到最终答案。

 详细代码:

private static long ksm(long a,long n,long mod){ //求解a的n次方,对mod除余
    long res = 1;    //初始化最终结果
    while(n > 0){
        if((n & 1) > 0) {
            //如果该二进制位为1,那么进行计算
            res = res * a % mod;
        }
        //n右移一位,进行二进制下一位的计算
        n >>= 1;
        //相应地,a随之增大
        a = a * a % mod;
    }
    return res;
}

下面给一道练手的题目:

P1226 【模板】快速幂||取余运算 - 洛谷 | 计算机科学教育新生态 (luogu.com.cn)https://www.luogu.com.cn/problem/P1226AC代码:

import java.util.Scanner;
import java.io.*;

public class Main {
    public static void main(String[] args) throws IOException {
        //数据输入
        Scanner sc = new Scanner(System.in);
        int a = sc.nextInt();
        int b = sc.nextInt();
        int p = sc.nextInt();
        long ans = ksm(a,b,p);
        System.out.println(a+"^"+b+" mod "+p+"="+ans);
    }
    private static long ksm(long a,long n,long mod){
        long res = 1;
        while(n>0) {
            if((n & 1) > 0){
                res = res * a % mod;
            }
            a = a * a % mod;
            n >>= 1;
        }
        return res;
    }
}

### 部署 Stable Diffusion 的准备工作 为了成功部署 Stable Diffusion,在本地环境中需完成几个关键准备事项。确保安装了 Python 和 Git 工具,因为这些对于获取源码和管理依赖项至关重要。 #### 安装必要的软件包和支持库 建议创建一个新的虚拟环境来隔离项目的依赖关系。这可以通过 Anaconda 或者 venv 实现: ```bash conda create -n sd python=3.9 conda activate sd ``` 或者使用 `venv`: ```bash python -m venv sd-env source sd-env/bin/activate # Unix or macOS sd-env\Scripts\activate # Windows ``` ### 下载预训练模型 Stable Diffusion 要求有预先训练好的模型权重文件以便能够正常工作。可以从官方资源或者其他可信赖的地方获得这些权重文件[^2]。 ### 获取并配置项目代码 接着要做的就是把最新的 Stable Diffusion WebUI 版本拉取下来。在命令行工具里执行如下指令可以实现这一点;这里假设目标路径为桌面下的特定位置[^3]: ```bash git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git ~/Desktop/stable-diffusion-webui cd ~/Desktop/stable-diffusion-webui ``` ### 设置 GPU 支持 (如果适用) 当打算利用 NVIDIA 显卡加速推理速度时,则需要确认 PyTorch 及 CUDA 是否已经正确设置好。下面这段简单的测试脚本可以帮助验证这一情况[^4]: ```python import torch print(f"Torch version: {torch.__version__}") if torch.cuda.is_available(): print("CUDA is available!") else: print("No CUDA detected.") ``` 一旦上述步骤都顺利完成之后,就可以按照具体文档中的指导进一步操作,比如调整参数、启动服务端口等等。整个过程中遇到任何疑问都可以查阅相关资料或社区支持寻求帮助。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

玛卡左家陇分卡

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值